Une évaluation systématique du risque régional de glissements de terrain sous les pluies de typhon : étude de cas de Taishun, Zhejiang, Chine en septembre 2016

Pourquoi les pentes de montagne cèdent lors des fortes tempêtes

Lorsqu’un puissant typhon touche terre, la plupart des gens s’inquiètent d’abord du vent et des inondations. Mais dans les régions escarpées et pluvieuses, un autre danger se développe discrètement : des versants entiers peuvent soudainement se rompre. Cette étude examine un tel événement dans le comté de Taishun, province du Zhejiang, où le typhon Meranti en septembre 2016 a déclenché des milliers de glissements de terrain. En recoupant images satellites, relevés pluviométriques et modèles informatiques avancés, les chercheurs montrent comment des pluies intenses, un terrain accidenté et la géographie locale se combinent pour transformer des pentes stabilisées et végétalisées en coulées rapides de terre.

Où le sol a cédé

L’équipe s’est concentrée sur une zone montagneuse du sud‑est de la Chine souvent sur la trajectoire des typhons. À partir d’images satellitaires haute résolution prises avant et après Meranti, complétées par des vérifications de terrain, ils ont cartographié 4 102 glissements de terrain sur une surface d’environ 3 400 kilomètres carrés. La plupart des glissements étaient relativement petits, mais, pris ensemble, ils couvraient plus de six kilomètres carrés. Les glissements s’étaient regroupés en une ceinture s’étendant du nord‑ouest au sud‑est à travers les montagnes centrales, en accord avec la zone de précipitations les plus intenses. De nombreux versants présentaient de longues cicatrices étroites avec sol nu et végétation brisée, un schéma typique des ruptures entraînées par la pluie dans cette région.

Pluie, montagnes, rivières et forêts qui agissent de concert

Pour comprendre pourquoi certains versants ont cédé tandis que d’autres, à proximité, sont restés stables, les scientifiques ont examiné neuf facteurs clés : altitude, pente, exposition, type de roche, végétation, usage des terres, humidité de surface, distance aux rivières et précipitations totales durant la tempête. Ils ont constaté que les glissements étaient les plus fréquents à des altitudes modérées (environ 400–800 mètres) sur des versants assez raides (25–40 degrés). Les pentes orientées sud et sud‑est, directement exposées aux pluies de mousson, ont cédé plus souvent. Des couches rocheuses tendres et profondément altérées, notamment des grès et des mudstones crétacés, ont fourni des fondations faibles. Une couverture végétale modérée et des zones boisées, souvent présentes sur des sols plus épais et des pentes plus raides, étaient également associées à davantage de glissements — non parce que les arbres provoquent les ruptures, mais parce que ces milieux emmagasinent plus d’eau et reposent sur des versants plus fragiles. La proximité des rivières augmentait aussi le risque, car l’écoulement peut éroder le pied des versants et faciliter leur déstabilisation lors des tempêtes.

Comment des modèles intelligents révèlent des schémas cachés

Les chercheurs se sont ensuite tournés vers l’apprentissage automatique automatisé pour transformer ces ingrédients en une carte pratique des aléas. Ils ont fourni tous les glissements cartographiés, ainsi qu’un nombre équivalent d’emplacements stables, à un « ensemble » de modèles informatiques différents qui apprennent à partir d’exemples. Ce système, appelé AutoGluon, teste et combine de nombreux modèles pour trouver le mélange le plus fiable. Le meilleur modèle combiné a su distinguer les versants instables des versants stables avec une très grande précision. Lorsque ses prédictions ont été représentées sur une carte, les zones classées comme à risque élevé ou très élevé correspondaient étroitement aux lieux où les glissements se sont réellement produits pendant le typhon Meranti, en particulier dans la ceinture montagneuse centrale. L’équipe a également utilisé une méthode connue sous le nom de SHAP pour ouvrir la « boîte noire » du modèle et mesurer dans quelle mesure chaque facteur favorisait la rupture ou la stabilité des versants.

Identifier les points de basculement vers la catastrophe

Les outils d’interprétation ont montré que trois éléments importent le plus : la quantité de pluie, l’altitude du versant et sa pente. Les scores internes du modèle ont bondi lorsque les précipitations totales ont atteint environ 160–180 millimètres sur la période clé de quatre jours de la tempête, marquant un point de basculement au‑delà duquel les versants devenaient rapidement instables. L’altitude et la raideur de la pente ont montré un comportement seuil similaire : les versants de moyenne montagne, modérément à très raides, étaient bien plus sujets aux ruptures que les collines basses et douces ou les sommets très élevés et rocheux. D’autres facteurs — tels que le type de roche, la concentration d’humidité dans les vallées et la végétation — ajustaient modérément le risque à la hausse ou à la baisse, souvent de façon non linéaire. Ensemble, ces schémas expliquent pourquoi les glissements sont apparus en amas denses plutôt que répartis de façon uniforme sur le paysage.

Transformer l’analyse en alertes précoces

En associant cartographie détaillée, données satellitaires de précipitations et apprentissage automatique transparent, cette étude offre une image plus claire de la façon dont les pluies de typhon se traduisent en danger de glissements sur le terrain. Pour les non‑spécialistes et les autorités locales, le message principal est simple : lorsque de très fortes pluies tombent sur des versants boisés, encaissés par des rivières, d’altitude moyenne et assez raides, le risque d’effondrement soudain augmente fortement. Le cadre développé ici peut être adapté à d’autres régions montagneuses exposées aux tempêtes, aidant les autorités à cibler la surveillance, les alertes précoces et les ouvrages de protection vers les lieux les plus susceptibles de glisser lors du prochain grand typhon.

Citation: Xie, C., Xu, C., Xu, X. et al. A systematic assessment of regional landslide risk under typhoon rainfall: a case study of Taishun, Zhejiang, China in September 2016. Sci Rep 16, 10857 (2026). https://doi.org/10.1038/s41598-026-46166-w

Mots-clés: glissements de terrain, pluies de typhon, risques montagnards, apprentissage automatique, alerte précoce